再生钢铁原料进口贸易浅析

再生钢铁原料是可以替代铁矿石炼钢的两大铁素资源之一,市场潜在需求较大,但目前实务界普遍缺乏对相关进口实务的认知,因而本文在对再生钢铁原料的概念、分类等进行分析基础上,特别针对签订再生钢铁原料进口合同的注意事项以及卸货和海关通关流程等方面的问题做出解析,希望能够为该进口贸易的推进提供有益的参考。

有关政策变化对废钢铁行业的影响分析

废钢铁具有显著的节能、环保和低碳优势,对整个钢铁工业绿色低碳发展意义重大。近年来,有关废钢铁行业的相关政策出现了显著变化,包括废钢铁加工行业管理体系、标准体系、增值税退税政策、固废进出口政策、“双碳”政策等多个方面。在上述政策影响下,中国废钢铁行业将迎来重大的发展机遇,逐步步入高质量发展阶段。

基于SE注意力机制的废钢分类评级方法

为了解决传统人工方法对废钢分类评级人为因素干扰大且效率低下等问题,提出基于挤压-激励(Squeeze-Excitation,SE)注意力机制构建废钢分类评级的深度学习网络模型,并对采集到的废钢卸载过程图像进行模型训练和验证.首先,搭建物理尺寸比例为1∶3废钢质量查验物理模型,采用高分辨率视觉传感器模拟采集货车卸载废钢作业场景下不同废钢的形貌特征;然后,对采集到的废钢图像使用跨阶段局部网络进行特征提取,利用空间金字塔结构解决特征丢失问题,采用注意力机制关注通道间的相关性;最后,在包含7个标签分类的两个数据集进行模型训练与验证.实验表明:该模型能够有效地对不同级别的废钢进行自动评级判定,全类别准确率达到83.7%,全类别平均精度为88.8%,在准确性方面相比于传统人工验质方法具有显著优势,解决了废钢入库过程中质量评价的公正性难题.

基于深度学习的废钢分类评级方法研究

废钢是现代钢铁工业重要的铁素来源,是钢企实现碳中和的重要原料。不同级别的废钢价格悬殊,其质量直接影响钢企的生产成本和产品质量。因此,废钢入炉前的分类和评级问题,受到钢企的普遍重视和高度关注。针对传统人工方法在废钢的分类评级中所出现的效率低、安全性和公正性差等问题,基于深度学习中的卷积注意力机制和加权双向特征融合网络构建废钢分类评级模型。首先,搭建废钢质量查验物理模型,模拟货车卸载废钢的生产作业场景,采用高分辨率视觉传感器采集不同类别的废钢图像。其次,设计了一种结合注意力与特征融合的废钢验质深度学习模型,将卷积注意力模块(convolutional block attention module,CBAM)加入主干网络对采集的废钢图像数据集进行特征提取,聚焦并保留图像的重要特征;使用双向特征金字塔(bidirectional feature pyramid network,BiFPN)平衡多尺度特征信息,进行多尺度特征融合。最后,在模型预测阶段,利用所构建的废钢质量验质模型进行废钢类别和质量判级,验证模型的精确性与检测效率。基于自制废钢验证数据集,与主流的目标检测模型Faster R–CNN、YOLOv4、YOLOv5系列以及YOLOv7进行性能比较。实验结果表明:本研究构建的废钢质量验质模型识别判级的准确率Acc达到了86.8%,所有类别平均精度m AP为89.2%,均高于对比的目标检测模型,在准确性、实时性以及识别评级效率方面可满足实际生产应用,解决废钢分类评级过程中的诸多难题,实现废钢的智能验质和公正判定。

废钢产业全景梳理

随着我国城镇化和工业化水平的提高,钢材需求步入见顶回落态势,钢铁供给结构随之深化调整。一方面,我国短流程炼钢占比较低,后续有较大提升空间;另一方面,随着近几年短流程炼钢产能投放的增多,短流程占螺纹产量比重越来越大,短流程成为螺纹成本曲线上重要的支撑。作为短流程炼钢的重要原材料,废钢具有重要研究意义。基于此,从废钢的定义、分类、产业链、供需情况、行业前景等方面对废钢产业进行全景梳理。

我国废钢产业发展现状和特点

我国钢铁工业以长流程为主,原料方面大幅依赖进口铁矿石,缺乏定价权。废钢是唯一可大量替代铁矿石的铁素原料,加强废钢资源的利用,可以达到降低铁矿石对外依存度和减少碳排放的效果。随着钢铁积蓄量的快速增加,近年来我国废钢资源量大幅增长,为钢铁行业减少碳排放和摆脱原料垄断做出了一定贡献。在“双碳”目标下,废钢产业越来越受到重视和关注,通过分析废钢产业发展现状,梳理产业发展特点,分析废钢产业影响因素,提出未来发展方向。